Machine learning inference of fission yields from gamma spectroscopy for very low-yield nuclear test verification

Este artículo demuestra que los modelos de aprendizaje automático entrenados con datos de espectroscopía gamma simulada de alta fidelidad pueden clasificar y estimar con precisión los rendimientos de fisión de pruebas nucleares de muy bajo rendimiento, ofreciendo una solución técnica viable para verificar el estándar de rendimiento cero del Tratado de Prohibición Completa de los Ensayos Nucleares.

Lo esencial

Imagina un mundo en el que los países han prometido no construir ni probar bombas nucleares. Para mantener esta promesa, acordaron una regla de "rendimiento cero": no se permite ningún experimento que genere una reacción en cadena nuclear autosostenible, incluso si es diminuta.

¿El problema? Es increíblemente difícil probar que alguien no realizó una prueba secreta diminuta. Si un país comprime una pequeña cantidad de plutonio con explosivos convencionales justo lo suficiente para que se dividan unos pocos átomos, podría no ser lo suficientemente ruidoso para oírlo, y el polvo radiactivo podría ser demasiado tenue para verlo con herramientas estándar. Es como intentar encontrar una sola moneda caída en una habitación oscura y ruidosa.

Este artículo propone una nueva forma de encontrar esa "moneda" utilizando Aprendizaje Automático (IA) y Espectroscopía Gamma (una forma de medir la luz radiactiva).

Aquí tienes el desglose sencillo de lo que hicieron y descubrieron los investigadores:

1. La "Máquina del Tiempo Digital"

Dado que no podemos realmente ir por ahí haciendo explotar pequeños dispositivos nucleares para probar nuestros detectores, los investigadores construyeron una simulación digital masiva.

• Crearon un mundo virtual con 66 millones de escenarios diferentes.
• Simularon todo: diferentes cantidades de plutonio, diferentes tamaños del contenedor que alberga la prueba, diferentes momentos del día en que se tomó la medición y diferentes cantidades de "ruido" en los datos.
• Piensa en esto como entrenar a un detective mostrándole 66 millones de escenas del crimen diferentes en un videojuego, para que aprenda exactamente cómo se ve una escena "culpable".

2. La "Huella Digital" de una Prueba

Cuando ocurre una prueba nuclear, deja atrás una mezcla específica de partículas radiactivas (productos de fisión) y plutonio sobrante. Estas partículas emiten rayos gamma (luz invisible) que actúan como un código de barras.

• Los investigadores analizaron la relación entre el "código de barras" de los productos de fisión y el "código de barras" del plutonio sobrante.
• Se dieron cuenta de que, aunque muchas cosas (como el grosor de las paredes del contenedor) pueden difuminar este código de barras, la relación entre líneas específicas de luz aún guarda el secreto de cuán grande fue la explosión.

3. El Detective de IA

El equipo enseñó a un tipo específico de IA (llamada XGBoost, que es como un tomador de decisiones muy agudo y organizado) a observar estos códigos de barras de rayos gamma y responder dos preguntas:

1. La pregunta "Parar/Ir" (Clasificación): ¿Superó la prueba un límite específico (por ejemplo, 1 kilogramo de TNT)?
2. La pregunta "¿Qué tan grande?" (Regresión): ¿Cuánta energía liberó exactamente la prueba?

4. Los Resultados: La IA es Sorprendentemente Buena

La IA se desempeñó como un detective campeón:

• Para la pregunta "Parar/Ir": Fue increíblemente precisa. Si la prueba estaba apenas por encima o por debajo del límite (como 1 kg de TNT), la IA podía distinguir la diferencia con más del 95% de precisión. Es como un guardia de seguridad que puede distinguir la diferencia entre un paquete de 1 libra y uno de 1.1 libras casi perfectamente.
• Para la pregunta "¿Qué tan grande?": Podía estimar el tamaño de la explosión con un margen de error muy pequeño (aproximadamente un 12% de diferencia en promedio), incluso si la medición se tomaba un mes o un año después de la prueba.

5. Por Qué Esto Importa para el Futuro

El artículo argumenta que, aunque las reglas actuales se centran en si una reacción fue "autosostenible" (un concepto físico que es difícil de medir directamente), podría ser más fácil y efectivo hacer cumplir una regla basada en límites de rendimiento (por ejemplo, "Ninguna prueba mayor a 1 gramo de TNT").

La IA muestra que podemos verificar técnicamente estos límites diminutos. Si los países acuerdan un límite específico, este sistema de IA podría ser el "dador de la verdad" que verifica si alguien rompió la regla, incluso si la explosión fue demasiado pequeña para ser vista por métodos tradicionales.

En resumen: Los investigadores crearon una IA súper inteligente entrenada con 66 millones de pruebas nucleares falsas. Descubrieron que esta IA puede observar el polvo radiactivo dejado atrás y determinar con precisión si ocurrió una prueba nuclear secreta y diminuta y cuán grande fue, ofreciendo una nueva herramienta para ayudar a mantener honesta la prohibición mundial de pruebas nucleares.

Resumen técnico

Resumen Técnico: Inferencia de Rendimientos de Fisión mediante Aprendizaje Automático a partir de Espectroscopía Gamma para la Verificación de Pruebas Nucleares de Rendimiento Muy Bajo

Enunciado del Problema
El Tratado de Prohibición Completa de los Pruebas Nucleares (CTBT) y las moratorias de pruebas existentes se basan en un "estándar de rendimiento cero", que prohíbe cualquier experimento explosivo que produzca una reacción en cadena de fisión autosostenida, permitiendo únicamente experimentos estrictamente subcríticos. Un desafío significativo de verificación surge de las pruebas de "rendimiento muy bajo" (que van desde subcríticas hasta apenas supercríticas), las cuales pueden producir rendimientos tan bajos como miligramos de equivalente en TNT. Si bien la espectroscopía gamma in situ de los escombros posteriores a la prueba ofrece posibles perspectivas, los enfoques analíticos tradicionales luchan por inferir el rendimiento o los niveles de criticidad debido a factores de confusión: el nivel de criticidad ($\alpha(t)$) no produce una firma espectral directa distinta del rendimiento; y los espectros medidos están fuertemente influenciados por parámetros desconocidos, como el tiempo transcurrido desde la prueba, los efectos de blindaje, la masa de plutonio y las configuraciones de criticidad previas a la prueba. En consecuencia, los inspectores carecen de métodos robustos y basados en datos para distinguir pruebas subcríticas conformes de las supercríticas no conformes, o para estimar los rendimientos reales con alta confianza.

Metodología
Los autores proponen un enfoque de aprendizaje automático (ML) para inferir rendimientos de fisión a partir de datos simulados de espectroscopía gamma, evitando la necesidad de una inversión analítica explícita de parámetros físicos complejos.

1. Generación de Datos:

   • Marco de Simulación: Los autores utilizaron simulaciones de transporte de partículas Monte Carlo 3-D de alta fidelidad (OpenMC) acopladas con códigos de agotamiento (ONIX) y modelado de desintegración (decaypy).
   • Escenarios: Generaron 66 millones de conjuntos de datos espectrales que representan una amplia gama de escenarios de pruebas de rendimiento muy bajo.
   • Parámetros: Las simulaciones variaron parámetros clave, incluido el rendimiento (0.1 mg a 1 tonelada de TNT), el tiempo después de la prueba (30–365 días), el espesor del blindaje del recipiente (3–8 cm), la masa de plutonio (0.15–3 kg) y la configuración del ensamblaje previo a la prueba (esfera sólida vs. cáscara).
   • Modelado del Detector: Se modeló un detector de Germanio de Alta Pureza (HPGe) a 20 cm del recipiente, incorporando conteos realistas de altura de pulso y ensanchamiento gaussiano de energía. Se añadió ruido estadístico (fluctuaciones de Poisson) para simular condiciones reales de conteo.

2. Ingeniería de Características:

   • En lugar de utilizar espectros crudos, los autores extrajeron 82 relaciones de picos entre productos de fisión y plutonio-239. Este enfoque informado por la física busca mitigar la influencia de la distribución espacial de los escombros y del blindaje, asumiendo que los productos de fisión y el plutonio están distribuidos de manera similar.
   • Los picos indetectables (por debajo del límite de detección de Currie) se establecieron en cero, y se excluyeron los espectros donde la línea de referencia Pu-239 era indetectable.

3. Modelos de Aprendizaje Automático:

   • Tareas: El estudio abordó dos tareas: (1) Clasificación binaria (determinar si el rendimiento supera un umbral específico) y (2) Regresión (estimar el valor real del rendimiento).
   • Algoritmos: Se compararon seis métodos de ML: XGBoost (Gradient Boosting Extremo), Random Forest (RF), Árbol de Decisión (DT), Perceptrón Multicapa (MLP), Vecinos Más Cercanos K (KNN) y Clasificador de Vectores de Soporte (SVC).
   • Estrategia de Entrenamiento: Los modelos se entrenaron utilizando validación cruzada estratificada de 5 pliegues. Los hiperparámetros se optimizaron mediante búsqueda aleatoria. Los autores investigaron el impacto de los rangos de datos de entrenamiento (estrechos vs. amplios) y la inclusión de parámetros auxiliares (tiempo, blindaje, masa) como características de entrada.

Contribuciones Clave

• Creación de Conjuntos de Datos: La generación de un conjunto de datos masivo y de alta fidelidad de 66 millones de espectros gamma simulados que cubren la ventana crítica de rendimiento de 1 g a 100 kg de TNT, relevante para verificar el estándar de rendimiento cero y los umbrales de rendimiento potenciales.
• Aplicación de ML en Verificación: La primera aplicación de métodos de ML, específicamente Gradient Boosting, para inferir rendimientos de fisión a partir de espectroscopía gamma posterior a la prueba en el contexto de la verificación de pruebas nucleares de rendimiento muy bajo.
• Análisis de Importancia de Características: El uso de valores SHAP (SHapley Additive exPlanations) para identificar las relaciones de picos de rayos gamma más informativos (por ejemplo, Nb-95, Ru-106 y la línea de aniquilación de 511 keV) que impulsan las predicciones del modelo, ofreciendo interpretabilidad física.
• Perspectivas sobre Estrategias de Entrenamiento: Un análisis que demuestra que, aunque añadir parámetros conocidos (como tiempo o masa) como características puede mejorar el rendimiento en regímenes de rendimiento específicos, introduce una dependencia del conocimiento del inspector. El estudio aboga por estrategias de entrenamiento conservadoras que utilicen rangos amplios de parámetros para garantizar la robustez del modelo cuando dichos parámetros son desconocidos.

Resultados

• Rendimiento del Modelo:
  • Clasificación: XGBoost superó a otros métodos en todos los umbrales de rendimiento probados (1 g a 100 kg de TNT). El clasificador logró una alta precisión, con puntuaciones F1 superiores a 0.99 para umbrales entre 100 g y 1 kg de TNT. Las tasas de mala clasificación se concentraron altamente cerca del límite de decisión, cayendo a casi cero para rendimientos significativamente por encima o por debajo del umbral.
  • Regresión: El modelo de regresión logró un error relativo medio absoluto del 12.4% para mediciones tomadas entre un mes y un año después de la prueba. Aproximadamente el 80% de las predicciones cayeron dentro de un error relativo de -16.5% a +19.7%.
• Reducción de Características: Los modelos entrenados con conjuntos de características reducidos (las 20 mejores o las 3 mejores relaciones clasificadas por SHAP) mantuvieron un rendimiento comparable al del modelo completo de 82 características para umbrales de rendimiento más bajos, aunque el rendimiento se degradó ligeramente en umbrales más altos al utilizar solo las 3 mejores características.
• Sensibilidad a Parámetros:
  • Tiempo: Para rendimientos bajos, tiempos de espera más largos redujeron la detectabilidad; para rendimientos altos, tiempos de espera más largos mejoraron la detectabilidad a medida que las líneas de plutonio emergían del fondo de productos de fisión.
  • Blindaje: El blindaje aumentado degradó el rendimiento para rendimientos bajos, pero tuvo un impacto negligible en rendimientos altos.
  • Masa de Plutonio: El modelo mostró un rendimiento no monótono en relación con la masa debido a la codificación implícita de la masa en las relaciones de picos.
• Rangos de Entrenamiento: El entrenamiento en rangos de parámetros más amplios generalmente previno la degradación del rendimiento al probar en regímenes no vistos, whereas los rangos de entrenamiento estrechos condujeron a una mala extrapolación.

Significado y Afirmaciones
El artículo afirma que utilizar aprendizaje automático para inferir el rendimiento de pruebas nucleares pasadas de rendimiento muy bajo a partir de datos de espectroscopía gamma es factible y preciso. Específicamente:

• El método propuesto puede clasificar de manera confiable si una prueba superó un umbral de rendimiento elegido (por ejemplo, 1 kg de TNT) con alta confianza, incluso meses después del evento.
• Si bien el actual estándar de rendimiento cero se centra en la criticidad (que es difícil de inferir directamente a partir de los espectros), la capacidad de estimar con precisión el rendimiento proporciona una vía para estrechar la estimación de los niveles de criticidad, apoyando así la verificación del cumplimiento.
• Los autores sugieren que un régimen de verificación basado en umbrales de rendimiento (por ejemplo, prohibir pruebas superiores a 1 g de TNT) podría ser técnicamente más verificable que el actual estándar de rendimiento cero, facilitando potencialmente la entrada en vigor del CTBT.
• El estudio enfatiza que este enfoque no es una solución independiente, sino que debe integrarse con otros métodos de verificación (por ejemplo, imágenes satelitales, medidas de transparencia) y que los modelos de ML dependen de datos simulados, requiriendo trabajo futuro para incorporar datos experimentales mediante aprendizaje por transferencia.

Los autores mantienen un tono modesto, señalando que, aunque existe la capacidad técnica, el contexto político y geopolítico de la verificación sigue siendo un desafío separado y crítico. No afirman resolver la ambigüedad del estándar de rendimiento cero en sí mismo, sino proporcionar una herramienta técnica que podría informar las discusiones sobre su interpretación y el establecimiento de un protocolo de verificación robusto.